El Blog de Smart

 Recomendaciones para la planificación de la demanda,

previsión y optimización de inventario

"Billones de registros de millones de personas... Encontrar la información útil y correcta, comprender su calidad y producir datos analizados confiables de manera oportuna y rentable son cuestiones críticas".

El vicepresidente sénior de investigación de Smart Software, Tom Willemain, tuvo recientemente la oportunidad de hablar con el Dr. Mohsen Hamoudia, presidente de la Instituto Internacional de Pronosticadores (IIF), para discutir problemas actuales y oportunidades para el análisis de big data. El IIF informa a los profesionales sobre tendencias y desarrollos de investigación en pronósticos a través de publicaciones impresas y en línea y la celebración de conferencias profesionales.

El Dr. Hamoudia comienza, a modo de introducción:

En todas las industrias, la disponibilidad de datos se está disparando en volumen, variedad y velocidad. El análisis de big data está jugando un papel importante en la identificación de los datos que son más importantes para el negocio.

Permítanme tomar el ejemplo del sector de las Tecnologías de la Información y la Comunicación (TIC). Estamos viendo un crecimiento literalmente exponencial en la cantidad de datos disponibles para las telecomunicaciones, los distribuidores de contenido independientes Over-the-top (OTT), el gobierno, los reguladores y otras organizaciones.

En todo el mundo, somos testigos de petabytes de datos: billones de registros de millones de personas, todos provenientes de múltiples fuentes. Entre estas fuentes: conexiones a Internet, ventas, centros de atención al cliente, redes sociales, datos de teléfonos fijos y móviles. Encontrar la información útil y correcta, comprender su calidad y producir datos analizados confiables de manera oportuna y rentable son cuestiones críticas. Las empresas de TIC buscan cada vez más información procesable en sus datos. ¿Cómo pueden aumentar su base de clientes y sus programas de fidelización? ¿Cómo pueden mejorar la calidad del servicio (QoS) y reducir la rotación de clientes? Con las plataformas de análisis de big data adecuadas, pueden ser más competitivos y eficientes, mejorando las operaciones, el servicio al cliente y la gestión de riesgos. Pronosticar y predecir las tendencias y direcciones de los clientes es clave para las telecomunicaciones.

Las habilidades de pronóstico, incluidas las matemáticas, las estadísticas y la econometría, forman uno de los "bloques" más importantes de habilidades requeridas en la gestión de Big Data. Algunas actividades de pronóstico forman naturalmente parte del debate de los grandes datos.

En las industrias minoristas, las direcciones de previsión diarias pedir a través de miles de productos. La previsión financiera, ya sea considerando el comportamiento del cliente o series de datos financieros, genera conjuntos masivos de datos en línea. Como señaló Robert Fildes, profesor distinguido de la Universidad de Lancaster, hasta el momento la comunidad académica de pronósticos no está completamente involucrada, con solo unas pocas excepciones. Hal Varian de Google analizó parte del trabajo que David Hendry y Jennifer Castle, en la Universidad de Oxford, han realizado en la búsqueda de grandes conjuntos de datos para modelos significativos congruentes con los datos. Stock y Watson también han desarrollado sus propios enfoques para grandes conjuntos de macrodatos. Pero a pesar del intento, en el simposio del año pasado sobre pronóstico en Seúl, de explorar el tema de los grandes datos y sus aplicaciones de pronóstico, quedan pocas aplicaciones convincentes del uso de datos en línea en problemas reales de pronóstico.

P. En la actualidad, se habla mucho de "análisis predictivo", pero la frase rara vez se relaciona con la previsión. ¿Está de acuerdo en que la previsión se encuentra en el corazón del análisis predictivo? ¿Tiene alguna explicación de por qué se ha roto el enlace? ¿Tiene ideas sobre cómo reinyectar pronósticos en la conversación?

Los resultados de la previsión (el “qué”) quizás ahora se perciban como menos importantes que el “cómo”. En consecuencia, la confianza que los usuarios otorgan a la previsión tradicional ha disminuido. ¿Quién de hecho cuestiona la precisión o la relevancia de los pronósticos al comparar, a posteriori, la realidad con el pronóstico, defendiendo la efectividad de los metododiges y, por lo tanto, generando credibilidad?

Con la percepción actual de "análisis predictivo", probablemente haya más espacio en la imaginación del público asignado al lado "cómo" de las cosas y, por lo tanto, una historia más creíble para contar a los socios, inversores o clientes.

P. Parece que casi no hay vínculo entre el pronóstico tradicional y la tecnología móvil (teléfonos inteligentes, tabletas). ¿Es esto cierto o algunas empresas están migrando la previsión a dispositivos móviles? ¿Ve un camino a seguir en el que los algoritmos de pronóstico tradicionales residirían de forma rutinaria en los dispositivos móviles?

En primer lugar, estoy realmente encantado de invitar a sus lectores a echar un vistazo a nuestro último número de Foresight. Un excelente artículo sobre el tema, "Pronósticos en el bolsillo: los dispositivos móviles pueden mejorar la colaboración", explica que "la creciente popularidad de las PDA, los teléfonos inteligentes, las tabletas y otros dispositivos móviles abre nuevas oportunidades para la comunicación y la colaboración en los pronósticos comerciales". Los autores nos dicen que "las aplicaciones móviles de pronóstico (m-forecasting) pueden simplificar los enfoques de colaboración entre minoristas y proveedores, contribuyendo así al suministro e intercambio de información sobre productos, especialmente porque los pronósticos están fuertemente vinculados al conocimiento del contexto local".

Por ejemplo, en el lado de las TIC y OTT, una gran cantidad de proyectos predictivos, como los de Google+ y Facebook, están sucediendo gracias a la inclusión de los datos de "ubicación del usuario" en los sistemas de TI de OTT. En mi opinión, y lo que veo en algunos sectores como retail y logística, es que la previsión tradicional y la previsión móvil (m-forecasting) son complementarias. Este último podría verse como un enfoque de pronóstico de abajo hacia arriba que confirmará o no los resultados del pronóstico de arriba hacia abajo.

P. Algunas personas argumentan que los macrodatos facilitarán el reemplazo de los pronósticos por sistemas de “detectar y reaccionar”. Hablando en términos prácticos, ¿cómo explicaría "sentir y reaccionar"? ¿Hay áreas de aplicación en las que cree que es probable que se afiance o no?

Me parece que “sentir y reaccionar” está completamente orientado a la perspectiva de corto plazo. El pronóstico amplía esto al abordar las necesidades para un horizonte variable: corto y mediano plazo.

Como efecto colateral de ATAWAD (Anytime, Anywhere, Any Device), los criterios de toma de decisiones son, más que nunca, “a corto plazo”. Big data es un sistema de detección de "señales débiles", que permite la detección casi en tiempo real de oportunidades comerciales que pasarían desapercibidas con los sistemas de TI tradicionales. Realmente no hay aplicaciones preferidas o no prioritarias para esto, la pregunta está más en el lado de "cuándo".

Big data es relevante cuando se mira debajo de la superficie en tiempos económicos difíciles, pero no estoy tan seguro de si vale la pena el esfuerzo en un período económico "normal". Para concluir sobre este punto: me complacerá ver un ejemplo de cuán precisos son los pronósticos que se basan en "sentir y reaccionar" frente a los pronósticos basados en modelos tradicionales.

P. Estoy haciendo algunas preguntas importantes. ¿Hasta qué punto ve que la comunidad de IIF da forma a estas discusiones y resultados? ¿Cómo pueden los lectores unirse al diálogo?

Esperamos una mayor disponibilidad y un mayor uso de una gran cantidad de datos en muchas industrias, como la energía, el transporte, la atención médica, las finanzas, las telecomunicaciones y el turismo.

Muchos de los miembros del IIF están involucrados en diferentes aspectos del “movimiento” de big data. El IIF está trabajando en las actividades de pronóstico que, naturalmente, forman parte del debate sobre los grandes datos. En términos más generales, el IIF está participando activamente y brindando un foro para la discusión de pronósticos en el resto del mundo.

El tema de nuestro último Simposio Internacional sobre Pronósticos (ISF) celebrado en Seúl fue "Pronósticos con Big Data" y algunas presentaciones estuvieron relacionadas con la atención médica y las telecomunicaciones. El Banco Central Europeo (BCE) acaba de organizar un taller relevante. Si estos modelos se capitalizan, tienen el potencial de impactar la política económica de Europa con bastante rapidez.

Los lectores pueden unirse al diálogo contribuyendo con artículos para las publicaciones del IIF (The International Journal of Forecasting, Foresight and El oráculo). La previsión, por su parte, es una voz invaluable para reunir a académicos y profesionales en una discusión en curso.

Los lectores también pueden presentar trabajos en la conferencia anual (la mencionada ISF). También pueden sugerir y organizar talleres específicos para aplicaciones específicas de big data, como el que acaba de organizar el BCE en Frankfurt. Otra oportunidad es invitar a los miembros de IIF a asistir a cualquier reunión relacionada con el pronóstico con big data. Todas estas oportunidades forman buenas plataformas para establecer contactos y trabajar juntos.

Mohsen Hamoudia, PhD, es el presidente del Instituto Internacional de Pronosticadores. También se desempeña como Jefe de Estrategia para Grandes Proyectos (París) para Orange Business Services (la antigua France Telecom).

Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselear, y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

Deja un comentario

Artículos Relacionados

Necesitas formar equipo con los algoritmos

Necesitas formar equipo con los algoritmos

This article is about the real power that comes from the collaboration between you and our software that happens at your fingertips. We often write about the software itself and what goes on “under the hood”. This time, the subject is how you should best team up with the software.

Repensar la precisión del pronóstico: un cambio de la precisión a las métricas de error

Repensar la precisión del pronóstico: un cambio de la precisión a las métricas de error

Sin lugar a dudas, medir la precisión de los pronósticos es una parte importante del proceso de planificación de la demanda. Este cuadro de mando de pronóstico podría construirse basándose en uno de dos puntos de vista contrastantes para calcular métricas. El punto de vista del error pregunta: "¿a qué distancia estaba el pronóstico de lo real?" El punto de vista de la precisión pregunta: "¿Qué tan cerca estuvo el pronóstico de lo real?" Ambas son válidas, pero las métricas de error proporcionan más información.

Cada modelo de pronóstico es bueno para lo que está diseñado

Cada modelo de pronóstico es bueno para lo que está diseñado

Con tanto entusiasmo en torno al nuevo aprendizaje automático (ML) y los métodos de pronóstico probabilístico, los métodos tradicionales de pronóstico estadístico “extrapolativo” o de “series de tiempo” parecen estar recibiendo la espalda. Sin embargo, vale la pena recordar que estas técnicas tradicionales (como el suavizado exponencial simple y doble, los promedios móviles lineales y simples y los modelos de Winters para artículos estacionales) a menudo funcionan bastante bien para datos de mayor volumen. Cada método es bueno para lo que fue diseñado. Simplemente aplique cada uno de manera apropiada, como por ejemplo, no lleve un cuchillo a un tiroteo y no use un martillo neumático cuando un simple martillo de mano será suficiente.

Mensajes recientes

  • Directo al cerebro del jefe: análisis de inventarioDirecto al cerebro del jefe: análisis e informes de inventario
    In this blog, the spotlight is cast on the software that creates reports for management, the silent hero that translates the beauty of furious calculations into actionable reports. Watch as the calculations, intricately guided by planners utilizing our software, seamlessly converge into Smart Operational Analytics (SOA) reports, dividing five key areas: inventory analysis, inventory performance, inventory trending, supplier performance, and demand anomalies. […]
  • Necesitas asociarte con los algoritmos para la gestión de inventario.Necesitas formar equipo con los algoritmos
    This article is about the real power that comes from the collaboration between you and our software that happens at your fingertips. We often write about the software itself and what goes on “under the hood”. This time, the subject is how you should best team up with the software. […]
  • Repensar la precisión del pronóstico: un cambio de la precisión a las métricas de errorRepensar la precisión del pronóstico: un cambio de la precisión a las métricas de error
    Sin lugar a dudas, medir la precisión de los pronósticos es una parte importante del proceso de planificación de la demanda. Este cuadro de mando de pronóstico podría construirse basándose en uno de dos puntos de vista contrastantes para calcular métricas. El punto de vista del error pregunta: "¿a qué distancia estaba el pronóstico de lo real?" El punto de vista de la precisión pregunta: "¿Qué tan cerca estuvo el pronóstico de lo real?" Ambas son válidas, pero las métricas de error proporcionan más información. […]
  • Uso de predicciones clave de rendimiento para planificar políticas de almacenamiento
    No puedo imaginarme ser un planificador de inventarios en repuestos, distribución o fabricación y tener que crear niveles de stock de seguridad, puntos de reorden y sugerencias de pedidos sin utilizar predicciones clave de desempeño de niveles de servicio, tasas de cumplimiento y costos de inventario. […]
  • Cada modelo de pronóstico es bueno para aquello para lo que fue diseñado.Cada modelo de pronóstico es bueno para lo que está diseñado
    Con tanto entusiasmo en torno al nuevo aprendizaje automático (ML) y los métodos de pronóstico probabilístico, los métodos tradicionales de pronóstico estadístico “extrapolativo” o de “series de tiempo” parecen estar recibiendo la espalda. Sin embargo, vale la pena recordar que estas técnicas tradicionales (como el suavizado exponencial simple y doble, los promedios móviles lineales y simples y los modelos de Winters para artículos estacionales) a menudo funcionan bastante bien para datos de mayor volumen. Cada método es bueno para lo que fue diseñado. Simplemente aplique cada uno de manera apropiada, como por ejemplo, no lleve un cuchillo a un tiroteo y no use un martillo neumático cuando un simple martillo de mano será suficiente. […]

    Optimización de inventario para fabricantes, distribuidores y MRO

    • Principales diferencias entre la planificación de inventario para productos terminados y para MRO y repuestosPrincipales diferencias entre la planificación de inventario para productos terminados y para MRO y repuestos
      En el competitivo panorama empresarial actual, las empresas buscan constantemente formas de mejorar su eficiencia operativa y generar mayores ingresos. La optimización de la gestión de repuestos es un aspecto que a menudo se pasa por alto y que puede tener un impacto financiero significativo. Las empresas pueden mejorar la eficiencia general y generar importantes rendimientos financieros mediante la gestión eficaz del inventario de piezas de repuesto. Este artículo explorará las implicaciones económicas de la gestión optimizada de repuestos y cómo invertir en software de optimización de inventario y planificación de la demanda puede proporcionar una ventaja competitiva. […]
    • Ley de centrado Piezas de repuesto Sincronización Precios y confiabilidadLey de centrado: sincronización, precio y confiabilidad de los repuestos
      En este artículo, lo guiaremos a través del proceso de elaboración de un plan de inventario de repuestos que priorice las métricas de disponibilidad, como los niveles de servicio y las tasas de cumplimiento, al tiempo que garantiza la rentabilidad. Nos centraremos en un enfoque para la planificación de inventario llamado Optimización de inventario basada en el nivel de servicio. A continuación, analizaremos cómo determinar qué piezas debe incluir en su inventario y cuáles podrían no ser necesarias. Por último, exploraremos formas de mejorar consistentemente su plan de inventario basado en el nivel de servicio. […]
    • 5 pasos para mejorar el impacto financiero de la planificación de repuestos5 pasos para mejorar el impacto financiero de la planificación de repuestos
      En el competitivo panorama empresarial actual, las empresas buscan constantemente formas de mejorar su eficiencia operativa y generar mayores ingresos. La optimización de la gestión de repuestos es un aspecto que a menudo se pasa por alto y que puede tener un impacto financiero significativo. Las empresas pueden mejorar la eficiencia general y generar importantes rendimientos financieros mediante la gestión eficaz del inventario de piezas de repuesto. Este artículo explorará las implicaciones económicas de la gestión optimizada de repuestos y cómo invertir en software de optimización de inventario y planificación de la demanda puede proporcionar una ventaja competitiva. […]
    • Estrategias de resultados para el software de planificación de piezas de repuestoEstrategias de resultados para la planificación de piezas de repuesto
      La gestión de piezas de repuesto presenta numerosos desafíos, como averías inesperadas, horarios cambiantes y patrones de demanda inconsistentes. Los métodos de pronóstico tradicionales y los enfoques manuales son ineficaces para hacer frente a estas complejidades. Para superar estos desafíos, este blog describe estrategias clave que priorizan los niveles de servicio, utilizan métodos probabilísticos para calcular los puntos de pedido, ajustan periódicamente las políticas de almacenamiento e implementan un proceso de planificación dedicado para evitar un inventario excesivo. Explore estas estrategias para optimizar el inventario de repuestos y mejorar la eficiencia operativa. […]